Pehmeät taidot, joita jokainen datatieteilijä tarvitsee – KDnuggets

Kuva tekijältä
 

Tiedän tämän tyypin, joka on uskomaton koodaaja. Hän valitsi Pythonin uransa vaihtamiseksi, minkä jälkeen hän otti nopeasti käyttöön JavaScriptin, Gon, SQL:n ja muutaman muun. Ja hän on myös hyvä, ei vain yksi niistä ihmisistä, jotka laittavat kielet ansioluetteloonsa ilman datatieteilijätaidot tukemaan niitä.

Mutta hänen on vaikea saada palkkaa. Tapasin hänet kahvilla muutama viikko sitten, ja keskustelumme inspiroi tätä artikkelia. Haluamatta loukata häntä liikaa, toin esiin, kuinka hänen viimeinen haastattelunsa oli mennyt. Hän oli ilmestynyt hieman myöhässä, hän ei ollut lähettänyt kiitossähköpostia jälkeenpäin, ja vaikka hän ratkaisi kaikki koodausongelmat, hän ei puutunut taulun kysymyksiin enempää kuin sylkemällä täysin oikean vastauksen.

"Kev", sanoin hänelle, "koodauksesi on uskomattoman hyvä. Mikä tahansa yritys olisi onnekas, jos saisi sinut datatieteilijäksi. Mutta sinun on työstettävä pehmeitä taitojasi."

Tässä on neljä keskeistä pehmeää taitoa, joita suosittelen jokaiselle datatieteilijälle, halusitpa sitten päästä alalle, edetä urallasi tai vain tehdä parempaa työtä.

 

Kuva tekijältä

Kaikki ajattelevat, että tämä tarkoittaa puhumista. Asia on päinvastoin: hyvässä viestinnässä on kyse kuuntelemisesta, erityisesti datatieteessä.

Kuvittele tämä skenaario: sidosryhmä, ehkä markkinointijohtaja, tulee luoksesi kysymyksen kampanjasta, jonka hän haluaa toteuttaa. Hän on innoissaan siitä ja hänellä on mielessään visio, mutta hän ei ole varma, kuinka mitata sen vaikutusta tai mitä tietoja hän tarvitsee. Sen sijaan, että sukeltaisit välittömästi teknisiin seikkoihin, kuinka voit kerätä tietoja tai mitä malleja voit käyttää, kuuntele ensin. Anna hänen selittää tavoitteensa, huolenaiheensa ja sen, mitä hän aikoo saavuttaa kampanjalla.

Aktiivisesti kuuntelemalla voit ymmärtää hänen pyyntönsä laajemman kontekstin. Ehkä hän ei etsi vain yksinkertaista analyysiä, vaan haluaa ymmärtää asiakkaiden käyttäytymistä tai segmentoida yleisön tavalla, jota hän ei ollut harkinnut. Kuuntelemalla ensin voit tarjota ratkaisun, joka on räätälöity hänen todellisiin tarpeisiinsa, ei vain alkuperäiseen tehtävään.

Viestintä on avainasemassa datatieteessä. Et työskentele pimeässä kellarissa ja kirjoita koodia näppäimistölle koko päivää; saat pyyntöjä ja sinun täytyy koota esityksiä ja olla ihmisten kanssa tekemisissä. Kuten sisällä data-analyytikkotaidot, sinun on osattava kommunikoida menestyäksesi.

StackOverflow 2023 Developer -kysely on itse asiassa loistava esimerkki sopeutumiskyvystä. Kirjoittajat esittelivät ensimmäistä kertaa AI-osio, joka osoittaa huomattavaa sopeutumiskykyä muuttuvaan kehitysmaisemaan.

AI on vain yksi esimerkki. Datatiede on loistava esimerkki vanhasta sanonnasta: ainoa vakio on muutos. Ollaksesi menestyvä datatieteilijä, sinun on oltava valmis lyömään iskuja.

Tämä voi tarkoittaa monia eri asioita. Ilmeisin sovellus on mahdollisuus oppia uutta tekniikkaa helposti. Pilviteknologia on uutta. AI on uusi. FastAPI on uusi. Sinun täytyy pysyä mukana kaikesta.

Toinen sovellus on pysyä työllisyystilanteessa. Viime aikoina trendi ei ole vain olla datatieteilijä perinteisessä mielessä; monet työnantajat odottavat sinun käyttävän monia hattuja. Sinun on myös oltava tietoteknikko, koneoppimisinsinööri ja joskus jopa verkkotunnuksen asiantuntija. Näiden roolien väliset rajat hämärtyvät, ja nykyaikaiset datatieteilijät joutuvat usein jongleeraamaan tehtäviä, jotka aikoinaan oli jaettu eri rooleihin.

Voit myös ymmärtää sen tarkoittavan palautteen ymmärtämistä ja integroimista. Datatieteilijöinä rakennamme usein malleja tai ratkaisuja tiettyjen oletusten tai tietojoukkojen perusteella. Mutta ne eivät aina toimi odotetulla tavalla. Mukautumiskyky tarkoittaa tämän palautteen ottamista harkiten, mallien iterointia ja niiden parantamista todellisten tulosten perusteella.

Mahdollisesti pahin, mutta tärkein sovellus on mukautettavissa potkut tai lomauttaminen. Vuodet 2021 ja 2022 olivat outoja työvuosia, jolloin suuret yritykset irtisanoivat suuria määriä työntekijöitä vähäisellä varoituksella. On hyvä ennakoida tämä mahdollinen tulos ja olla valmis siihen.

Kuva tekijältä
 

Muistatko kuinka harrastin viestintää? Ryhmätyö ja yhteistyö sopivat samaan haarukkaan. Datatieteilijänä et työskentele vain muiden datatieteilijöiden kanssa. Kaikki rakastavat tietopohjaista kaikkea, joten voit vastaanottaa minkä tahansa määrän pyyntöjä tuottaa PowerPoint-esityksiä, -raportteja ja -kaavioita.

Tehdäksesi tämän onnistuneesti, sinun on leikittävä mukavasti muiden kanssa. Datatiedeprojektit sisältävät usein työskentelyä monitoimitiimien kanssa, mukaan lukien yritysanalyytikot, insinöörit ja tuotepäälliköt. Kyky tehdä tehokasta yhteistyötä varmistaa, että datatieteen ratkaisut ovat linjassa liiketoiminnan tavoitteiden kanssa.

Esimerkiksi yhdessä aikaisemmista rooleistani tuotetiimi halusi tuoda sovellukseemme uuden ominaisuuden. Tietysti tarvittiin dataa päätöksensä tueksi. He ottivat yhteyttä minuun ja muuhun datatieteen tiimiin saadakseen näkemyksiä samankaltaisiin ominaisuuksiin liittyvästä käyttäjien käyttäytymisestä.

Samaan aikaan markkinointitiimi halusi tietää, kuinka tämä uusi ominaisuus voi vaikuttaa käyttäjien sitoutumiseen ja säilyttämiseen. Sillä välin suunnittelutiimin piti ymmärtää tekniset vaatimukset ja se, miten se vaikuttaisi dataputkiin.

Meidän tiimistämme tuli keskeinen tässä. Meidän piti kerätä vaatimukset tuotetiimistä, tarjota oivalluksia markkinointitiimille ja tehdä yhteistyötä suunnittelutiimin kanssa varmistaaksemme sujuvan tiedonkulun. Tämä edellyttää paitsi teknistä asiantuntemusta, myös kykyä ymmärtää kunkin tiimin tarpeet, kommunikoida tehokkaasti – ja joskus välittää ristiriitaisten etujen välillä.

Käytän väkivaltaa enkä mainitse ongelmanratkaisu äärimmäisenä pehmeänä taitona, koska mielestäni sitä käytetään liikaa. Mutta rehellisesti sanottuna uteliaisuus on sama asia.

Datatieteilijänä minun ei todennäköisesti tarvitse kertoa sinulle, että kohtaat monia ongelmia. Mutta niiden ytimessä jokainen ongelma on itse asiassa kysymys.

"Käyttäjämme eivät tuota tulosta", tulee "Kuinka voimme tehdä tästä tuotteesta houkuttelevamman?"

"Mallini ei anna minulle tarkkoja ennusteita", tulee "Mitä voin muuttaa, jotta mallistani tulisi realistisempi?" 

"Myyntimme on laskenut viimeisellä vuosineljänneksellä", tulee "Mitkä tekijät vaikuttivat tähän laskuun ja miten voimme käsitellä niitä?"

Jokainen näistä ongelmista muuttuu uteliaalla ajattelutavalla kysymykseksi, joka etsii ymmärrystä ja parantamista. Uteliaisuus saa sinut kaivamaan syvemmälle, olemaan hyväksymättä asioita nimellisarvolla ja etsimään jatkuvasti parempia ratkaisuja.

Kevin oli introstani perusteella utelias henkilö. Mutta jostain syystä, kun oli kyse datatieteestä, hänellä oli vilkkuja päällä. Jokaisesta ongelmasta tuli naula, joka piti ratkaista koodivasaralla. Ja todellisuus on, että datatieteen työtä ei voida tehdä tällä tavalla.

Hän antoi minulle esimerkin siitä, mitä häneltä kysyttiin hiljattain haastattelussa: ”Asiakastukitiimi on saanut valituksia verkkosivuston kassaprosessista. Miten suhtautuisit tähän?"

Kevin jatkoi yksityiskohtaisesti kuinka hän korjaa teknisen vian. Mutta hänen haastattelijansa etsimä vastaus oli seuraavanlainen kysymys: "Miksi käyttäjät pitävät kassaprosessia hankalana?"

Todellisessa maailmassa datatieteilijän olisi kysyttävä tämä kysymys ratkaistakseen ongelman. Ehkä tietyn alueen käyttäjät kohtaavat ongelmia paikallisen maksuyhdyskäytävän integroinnin vuoksi. Tai ehkä sivuston mobiiliversio ei ole niin käyttäjäystävällinen, mikä johtaa ostoskorin hylkäämiseen.

Kehittäessään ongelman kysymykseksi datatieteilijä ei pysähdy vain ongelman tunnistamiseen; he kaivautuvat "miksi" sen takana. Tämä lähestymistapa ei ainoastaan ​​johda tehokkaampiin ratkaisuihin, vaan myös paljastaa syvempiä oivalluksia, jotka voivat ohjata strategisia päätöksiä.

On olemassa monia pehmeitä taitoja, joita en tässä maininnut, kuten empatia, joustavuus, ajanhallinta ja kriittinen ajattelu, muutamia mainitakseni. Mutta jos ajattelee sitä, ne kaikki kuuluvat näihin hakasulkeisiin.

Kommunikoi ihmisten kanssa. Tiedä kuinka muuttaa. Pystyy työskentelemään muiden kanssa. Ja lähestyä ongelmia uteliaasti. Näiden neljän pehmeän taidon avulla pystyt ratkaisemaan kaikki ongelmat, työhaastattelut tai ongelmat.
 
 

Nate Rosidi on datatieteilijä ja tuotestrategiassa. Hän on myös analytiikkaa opettava dosentti ja perustaja StrataScratch, alusta, joka auttaa datatieteilijöitä valmistautumaan haastatteluihin huippuyritysten todellisilla haastattelukysymyksillä. Ota yhteyttä häneen Twitter: StrataScratch or LinkedIn.

• SEO-pohjainen sisällön ja PR-jakelu. Vahvista jo tänään.
• PlatoData.Network Vertical Generatiivinen Ai. Vahvista itseäsi. Pääsy tästä.
• PlatoAiStream. Web3 Intelligence. Tietoa laajennettu. Pääsy tästä.
• PlatoESG. hiili, CleanTech, energia, ympäristö, Aurinko, Jätehuolto. Pääsy tästä.
• PlatonHealth. Biotekniikan ja kliinisten kokeiden älykkyys. Pääsy tästä.
• Lähde: https://www.kdnuggets.com/soft-skills-every-data-scientist-needs?utm_source=rss&utm_medium=rss&utm_campaign=soft-skills-every-data-scientist-needs